R语言进行Logistic回归分析

Logistic回归分析常常用来分析某个结局的危险因素或保护因素。

输入数据格式

分析代码

library(finalfit)
library(rstan)
library(boot)
library(tidyr)meta$stress = ifelse(meta$IESR > 20, "stress", "health")#获取结局变量，为二分类的
meta$stress = as.factor(meta$stress)
meta$stress = relevel(meta$stress, ref = "health")explanatory = c("group", "Age",  "BMI","PHQ9","DietRegularity")#指定危险因素或保护因素
dependent = 'stress'#指定结局变量forest_df<- meta %>% #回归分析finalfit(dependent, explanatory, p=TRUE, column = TRUE) %>%rename(Univariate = "OR (univariable)")%>%separate(Univariate, into = c("OR (Univariate)", "p_value_u"), sep = ", TRUE")%>%separate(p_value_u, into = c("p_value_uni", "x1"), sep = "\\)")%>%rename(Multivariable = "OR (multivariable)")%>%separate(Multivariable, into = c("OR (Multivariable)", "p_value_m"), sep = ", TRUE")%>%separate(p_value_m, into = c("p_value_multi", "x2"), sep = "\\)")%>%dplyr::select(-x1, -x2)%>%replace_na(list(p_value_uni = "-", p_value_multi = "-")) %>%dplyr::select(`Dependent: stress`, `OR (Multivariable)`,  p_value_multi)%>%separate(`OR (Multivariable)`, into = c("Estimate", "lowerlimit", "p"), sep = " ")%>%dplyr::select(-p)%>%separate(lowerlimit, into = c("first", "last"), sep = 1)%>%dplyr::select(-first)%>%separate(last, into = c("first", "last"), sep = -1)%>%dplyr::select(-last)%>%separate(first, into = c("lowerlimit", "upperlimit"), sep = "\\-")%>%separate(p_value_multi, into = c("first", "p_value"), sep = 1)%>%dplyr::select(-first)%>%mutate(sig = ifelse(p_value < 0.05 , "Sig", "Non-Sig"))forest_df2 <-forest_df %>%filter(Estimate != "-")%>%dplyr::rename(Factor = `Dependent: stress`)%>%arrange(desc(Factor))
forest_df2 = forest_df2[1:3, ]forest_df2$Estimate <- as.numeric(forest_df2$Estimate)
forest_df2$lowerlimit <- as.numeric(forest_df2$lowerlimit)
forest_df2$upperlimit <- as.numeric(forest_df2$upperlimit)fig <- ggplot(forest_df2, aes(x=Factor, y=Estimate, ymin=lowerlimit, ymax=upperlimit))+geom_pointrange(position = position_dodge(width = 0.60))+geom_hline(yintercept = 1, linetype=2)+coord_flip()+xlab('')+ scale_y_log10()+ylab("Adjusted OR (95% CI)")+geom_errorbar(aes(ymin = lowerlimit, ymax = upperlimit),width=0.1, position = position_dodge(width = 0.60))+theme(plot.title = element_text(hjust = 0.5))+theme_minimal()+theme(axis.text.y= element_text(size=12))fig

输出结果

注：PHQ9是抑郁评分，可以看到抑郁是应激的危险因素。

R语言进行Logistic回归分析相关推荐

R语言惩罚logistic逻辑回归（LASSO,岭回归）高维变量选择分类心肌梗塞数据模型案例...
全文下载链接:http://tecdat.cn/?p=21444 在本文中,逻辑logistic回归是研究中常用的方法,可以进行影响因素筛选.概率预测.分类等,例如医学研究中高通里测序技术得到的数据给 ...
R语言构建logistic回归模型：构建模型公式、拟合logistic回归模型、模型评估，通过混淆矩阵计算precision、enrichment、recall指标
R语言构建logistic回归模型:构建模型公式.拟合logistic回归模型.模型评估,通过混淆矩阵计算precision.enrichment.recall指标目录
R语言构建logistic回归模型：WVPlots包PRTPlot函数可视化获取logistic回归模型的最优阈值、优化（precision、enrichment）和recall之间的折衷
R语言构建logistic回归模型:WVPlots包PRTPlot函数可视化获取logistic回归模型的最佳阈值(改变阈值以优化精确度(precision.enrichment)和查全率(recal ...
R语言构建logistic回归模型并评估模型：模型预测结果抽样、可视化模型分类预测的概率分布情况、使用WVPlots包绘制ROC曲线并计算AUC值
R语言构建logistic回归模型并评估模型:模型预测结果抽样.可视化模型分类预测的概率分布情况.使用WVPlots包绘制ROC曲线并计算AUC值目录
R语言构建logistic回归模型并评估模型：构建基于混淆矩阵计算分类评估指标的自定义函数、阳性样本比例（垃圾邮件比例）变化对应的分类器性能的变化、基于数据阳性样本比例选择合适的分类评估指标
R语言构建logistic回归模型并评估模型:构建基于混淆矩阵计算分类评估指标的自定义函数.阳性样本比例(垃圾邮件比例)变化对应的分类器性能的变化.基于数据阳性样本比例选择合适的分类评估指标目录
R语言构建logistic回归模型并评估模型：计算混淆矩阵、并基于混淆矩阵计算Accuray、Precision、Recall(sensitivity)、F1、Specificity指标
R语言构建logistic回归模型并评估模型:计算混淆矩阵.并基于混淆矩阵计算Accuray.Precision.Recall(sensitivity).F1.Specificity指标目录
R语言条件Logistic回归模型案例:研究饮酒与胃癌的关系
R语言条件Logistic回归模型案例:研究饮酒与胃癌的关系目录 R语言条件Logistic回归模型案例:研究饮酒与胃癌的关系 #样例数据
用R语言建立logistic回归模型
用R语言建立logistic回归模型公式:fm<-glm(formula,family=binomial(link=logit),data=data.frame) 其中:link=logit可 ...
R语言惩罚logistic逻辑回归（LASSO,岭回归）高维变量选择的分类模型案例
原文链接:http://tecdat.cn/?p=21444 逻辑logistic回归是研究中常用的方法,可以进行影响因素筛选.概率预测.分类等,例如医学研究中高通里测序技术得到的数据给高维变量选择问 ...

R语言进行Logistic回归分析

R语言进行Logistic回归分析相关推荐

最新文章

热门文章